治安预测方法与技术比较研究王 欣（中国人民公安大学图书馆, 北京 102600）摘要：治安预测是犯罪情报分析中重要的情报分析方法，是警方的日常警务工作中经常使用的工具，本文对国内外治安情报预测方法进行了广泛的研究，分析并总结了目前治安预测主要的技术和方法，比较了国外内治安预测研究的不同点，展望了未来治安预测的发展方向。关键词：情报主导警务 犯罪情报分析 治安预测 犯罪分析 犯罪制图The Comparative Study of Crime forecasting TechnologyAbstract: Crime forecasting is an important intelligence analysis method and a useful tool for policing. With comprehensive studying on crime forecasting literature , this paper classify most of the crime forecasting method and compare the difference of the domestic and the overseas research. Finally，We look to the future of crime forecasting.Keywords: Intelligence-led Policing Crime intelligence analysis Crime forecasting crime analysis crime mapping引言基于统计学和计算机科学的各种预测方法早已应用在经济、医学等领域，却在九十年代末期才开始被警方关注，这与警务模式的改变不无关系。在“社区警务”和“情报主导警务”两大现代警务理念提出之前，欧美警方的警务工作是以事件为中心的，是一种被动的反应式警务管理方法，其关注的焦点是罪犯而并非犯罪，而预测某个罪犯的行为几乎是不可能的。上世纪六十年代开始，西方警务发生了重大变革，“社区警务”和“问题导向的警务”理念被广泛接受。进入九十年代，欧美执法部门提出“情报主导警务”，并将犯罪情报分析纳入警方的日常工作。治安预测正是产生于以上背景而产生，治安预测并不关注具体罪犯的行为，而关注的是犯罪可能发生的时间和地点、数量和模式，这些信息足以让警方预先布防，有效的减少犯罪1，改善社会治安环境。在英美国家，通常使用“Crime forecasting”一词来代表对城市未来一段时间内治安情况的预测，所以在本文中犯罪预测与治安预测一词含义相同。治安预测的产生与两件事物的发展密切相关：环境犯罪学的发展和地理信息系统在警方的普及。环境犯罪学是犯罪学的一个分支，主要研究犯罪现象与空间和地理因素之间的关系。犯罪在空间上的分布呈现不均匀状态，并始终随着时间动态变化，这些变化往往与地域文化、经济、环境相关，并呈现出季节特征。犯罪预测正是要捕捉和预测犯罪动态分布的变化，为警方的战略部署和战术安排提供参考。九十年代初期地理信息系统逐渐在欧美警方普及，最初警方将犯罪数据标记在地理信息系统上，用以发现当前的犯罪热点，1997年卡耐基梅隆大学的Olligschlaeger第一次将预测技术与地理信息系统相结合，提出了第一个基于地理信息系统的犯罪预测方法2。治安预测自产生起就受到了警方的关注，1998年已经在犯罪制图方面取得重大成功的美国国家司法研究所一次资助了5个关于治安预测的研究项目。目前治安预测已经成为欧美警方制定警务战术策略的重要工具。治安预测与地理信息系统密不可分，从这种意义上来说，治安预测可以看作是犯罪制图与预测技术的结合，是犯罪制图更深层次的发展3。目前犯罪预测已经成为犯罪情报分析中最重要的研究内容。本文对十年来治安预测技术主流和发展进行归纳和整理，并在此基础上对治安预测技术进行了展望。本文的第2节将对国内外治安预测技术进行简要介绍，第3节比较了国内外的治安预测研究状况，第4节对全文做了总结和展望。2 治安预测方法概述2.1 时间序列法时间序列法是在观察和分析数据长期形成的时间序列规律和趋势的基础上对未来进行预测的一种方法，时间序列不需要分析与被预测量相关的自变量以及因变量与自变量之间的关系。时间序列分析法认为时间序列本身就已经包含了足够多的关于系统的信息，只需要对时间序列进行分析就可以预测未来，用一句话来概括就是“让数据自己说话”。构造时间序列是通常会考虑长期趋势、季节变动、循环变动和不规则变动。博克斯詹金斯法、指数平滑法均属于时间序列法范畴。如果平稳时间序列自回归的阶数为，移动平均的阶数为，非平稳的时间序列经过阶差分可以转换为平稳时间序列，该时间序列就可以用ARIMA来表示，而博克斯詹金斯法4是对时间序列建立ARIMA模型的一个反复过程，旨在拟合出最为“正确”的的值。ARIMA是一种常见的预测方法，国内外都有机构和学者采用此方法进行社会预测，如清华大学陈鹏等人使用ARIMA模型对侵财型犯罪进行了短期预测5。 指数平滑法是对简单移动平均的一种改进，指数平滑法同样考虑前期若干个时间的值，但是随着时间的递增，其影响也随之递减。显然，指数平滑是一种更符合常理的假设。一次指数平滑法中预测公式为：预测值其实为的加权平均。在指数平滑法的基础上还有二次指数平滑法等修正的指数平滑法：。2005年卡耐基梅隆大学为匹兹堡警方所研发的预警系统中就是用了指数平滑法来预测下一月的犯罪分布。根据犯罪学研究，犯罪分布与人口、土地用途和季节性都有着极大的相关关系，基于此原理该方法复合使用了人口和土地用途以及季节性指标作为变量来修正预测值6。该文献对人口密度、失业人口、年轻人比例、失学儿童等人口参数以及土地内的便利店、超市、停车场、汽车旅馆、酒吧等土地用途数据对预测的准确度的影响做了数据分析，最后选择了5个与犯罪发生最为相关的因素作为修正预测值的指标。2.2 领先指标法自然现象、社会现象、经济现象等之间的相互联系，有时在变动时间上呈现先后顺序。当一种现象发生变化之后，另一种现象随之发生变化。前者的变化传递了后者即将发生变化的信息，成为后者发生变化的前兆现象。领先指标预测法正是基于这种思想。领先指标法常采用先行、同步和滞后指标同时进行峰谷位置的预测。Cohen和Gorr在在向美国司法研究所提交的报告中提出一种用于短期微观预测的领先指标模型6。选取的指标主要来自公众的911电话报警信息、警方已经立案的案发信息和来自警员汇报。911电话报警作为先行变量，作者按照FBI对犯罪的分类标准选取了杀人、强奸、抢劫、聚众斗殴、入室盗窃、街头盗窃、机动车盗窃等七项对社会治安有严重威胁的犯罪作为预测的同步变量指标，同时选取了醉酒、行为不当、简单攻击等较轻的犯罪行为作为同步变量的辅助指标。作者根据环境犯罪学中的“破窗理论”将警员对犯罪后的处置作为滞后变量。预测数据显示出比基于同样指标的神经网络模型和多元回归模型更好的预测效果。我国学者主要采用领先指标模型进行长期和宏观层面的预测。宋林飞曾在1995年提出了“社会风险预警综合指标体系”8，该体系根据社会风险管理的思想，利用警源、警兆和警情三个因素,选取社会、经济、政治、自然环境和国际环境五个方面的50个指标，对社会风险进行预警。秦立强等学者率先提出了基于领先指标法的社会治安预警指标体系9，对我国整体治安状况进行综合预警。2.3 因素建模法因素建模法就是在分析与犯罪相关的因素基础上，创建犯罪数量与相关因素的数学模型，通过监测和统计相关因素来预测未来犯罪的发生数量，常用模型有回归模型、协整回归模型。在回归分析中，认为因变量是一些自变量的线性组合，或者因变量通过一定的形式变换与自变量呈现出线性关系。常见的回归模型有多元（一元）线性回归模型，多元（一元）逻辑回归模型等。在定量犯罪学（Quantitative Criminology）研究中，学者们大量的使用回归模型研究各类犯罪现象与社会、经济、人口等指标的相关关系，例如Baller使用线性回归模型年研究了空间的社会经济计量数据与该地区杀人案发生率的关系10，Craglia使用逻辑回归方法对伦敦犯罪高发区的社会特征进行建模11。1999年英国国土安全部发布的对英格兰和威尔士财产性犯罪预测的建模方法就是利用了多元回归模型，模型中考虑了经济活动变量、司法变量和人口变量三大类自变量因子12。多数时间序列在长期趋势上很有可能是非平稳性的序列，而非平稳的序列不能用于平稳时间序列的统计方法，否则分析时会出现“伪回归”（Spurious Regression）现象，以此做出的结论很可能是错误的。协整关系（Co-integration）基本思想在于，尽管两个或两个以上的变量序列为非平稳序列，但它们的某种线性组合却可能呈现稳定性，那么这两个变量之间便存在长期稳定关系即协整关系。协整概念的提出为在两个或者多个非平稳变量间寻找均衡关系以及用存在协整关系的变量建立误差修正模型奠定了理论基础。根据格兰杰(Granger)定理，如果若干个变量之间存在协整关系，则这些变量必然有误差修正模型（ECM）表达式存在，反之也成立。协整回归分析通常用于长期预测，利用误差修正来调整变量间的长期稳定关系。Deadman利用协整误差修正方法对英国国土安全部提出的侵财型犯罪预测模型进行了进一步修正，同时对比了原多元回归模型、协整回归模型和时间序列模型（ARIMA）三种预测方法，结果显示，原回归模型预测准确性低于时间序列模型，协整修正后的预测模型准确率超过了时间序列模型。显然，时间序列模型的消耗低，不需要额外获取相关的统计数据，如果在准确率没有显著提高的情况下，时间序列方法是更好的选择13，使用多元回归分析进行长期预测时，必须考虑变量之间的协整关系。2.4 其他分析方法其他用来进行犯罪预测的方法还有神经网络预测、灰色预测、空间统计分析方法等。1998年Olligschlaeger提出使用神经网络来预测街道毒品交易的时空分布2。根据相关的犯罪学研究，Olligschlaeger采用了以下6个指标作为预测的自变量：1）与武器相关的报警电话数；2）抢劫报警电话数；3）袭击报警电话数；4）网格内居民数量；5）网格内土地的商业属性；6）季节性指标。实验采用了1990年到1992年35个月的数据，其中1990-1991年的数据用作训练产生神经元权重系数，而1992年的数据用于检测模型是否过度拟合。为了验证神经网络方法的优势，Olligschlaeger同时使用同参数的回归模型和相对地理单元不变化的神经元权重系数两种模型进行对比，结果神经网络模型表现出了非常优秀的预测成绩。Olligschlaeger所采用的神经网络模型在某种意义上也属于因素建模法，与传统回归模型不同的是，被预测量与自变量并非本质上的线性关系，而是一种复杂的动态的非线性关系。灰色系统预测方法是我国学者邓聚龙教授在1982年发明的，灰色系统理论是针对既无经验，数据又少的不确定性问题提出来的一门横断面大、渗透性强的新兴边缘学科。国内不少学者进行了利用灰色系统利用预测犯罪动态的研究，北京市公安局的刘晓娟利用GM(1,1)模型对地区的年月发案率进行了建模14，辛越等人尝试利用GM(1,1)模型对群体性事件进行预测15。灰色系统的分析同样是基于时间序列，不需要额外选择相关的自变量。与以上统计方法有着根本不同的是基于空间分析方法的预测，空间统计学是一门发源于地学统计的学科，最早在地理学研究中使用，主要研究那些在空间分布上既有随机性又有结构性，或空间相关和依赖的自然现象的科学16。空间分析方法中常见的有点模式分析、面模式分析等。科学家们利用空间统计方法对房地产分布、疾病的分布和传播、生物的分布、经济发展的地域性等都做过大量的分析和研